Grafik perbandingan Model Probit Biner dan Logit Biner dapat dilihat dari Gambar 2.10.
Gambar 2.10 Grafik Perbandingan Logit dan Probit Benoit, 2009
2.10 Analisa Regresi Linear Berganda
Analisis regresi linier berganda adalah analisis regresi yang variabel tak bebas Y ditentukan oleh sekurang-kurangnya dua variabel bebas X dan setiap variabel X
maupun variabel Y hanya berpangkat satu linier. Studi pemilihan moda transportasi pada umumnya mempunyai dua atau lebih variabel tidak bebas dengan bentuk
sebagai berikut: Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ ... + b
m
X
m
2.24 dimana:
X
1
= variabel bebas 1. X
2
= variabel bebas 2. X
3
= variabel bebas 3.
Universitas Sumatera Utara
X
m
= variabel bebas m.
a = nilai y pada perpotongan antara garis linear dengan sumbu – Y.
b
1
= kemiringan slope yang berhubungan dengan Variabel X
1.
b
2
= slope yang berhubungan dengan X
2.
2.11 Regresi Logistik
Di dalam statistik, regresi logistik seringkali disebut model logistik atau model logit, digunakan untuk memprediksi kemungkinan probabilitas dari suatu kejadian
dengan data fungsi logit dari kurva logistik. Bentuk analisis regresi banyak menggunakan beberapa variabel yang berupa numerik atau kategoris.
Regresi Logistik adalah bagian dari analisis regresi yang dapat digunakan ketika variabel dependen respon merupakan variabel dikotomi. Variabel dikotomi biasanya
hanya terdiri atas dua nilai, yang mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya diberi angka 0 atau 1.
Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan hubungan antara variabel independen dan dependen secara linier. Regresi logistik merupakan
regresi non linier dimana model yang ditentukan akan mengukuti pola kurva linier. Regresi logistik akan membentuk variabel prediktorrespon yang merupakan
kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit.
Regresi logistik bertujuan untuk menanggulangi kelemahan dari LPM Linear Probability Model yang dapat memberi hasil kurang memuaskan, karena
menghasilkan probabilitas taksiran yang kurang dari nol atau lebih dari satu.
Universitas Sumatera Utara
Dalam hal ini, yang dapat menjamin nilai variabel terikat terletak antara 0 dan 1 sesuai dengan teori probabilitas adalah dengan model CDF Cummulative
Distribution Function. Dengan CDF yang memiliki dua sifat yaitu: 1.
Jika variabel bebas naik, maka PY
i
= 1X
i
juga ikut naik, tetapi tidak pernah melewati rentangan 0 – 1.
2. Hubungan antara P
i
dan X
i
adalah non linier, sehingga tingkat perubahannya tidak sama, kenaikannya semakin besar kemudian
mengecil. Ketika nilai probabilitasnya mendekati nol, tingkat penurunannya semakin kecil, demikian juga ketika nilai probabilitasnya
mendekati satu, maka tingkat kenaikannya semakin kecil.
2.12 Koefisien Determinasi R